CN110807152B - 基于多业务的推荐引擎***的创建方法和存储介质 - Google Patents
基于多业务的推荐引擎***的创建方法和存储介质 Download PDFInfo
- Publication number
- CN110807152B CN110807152B CN201911054393.3A CN201911054393A CN110807152B CN 110807152 B CN110807152 B CN 110807152B CN 201911054393 A CN201911054393 A CN 201911054393A CN 110807152 B CN110807152 B CN 110807152B
- Authority
- CN
- China
- Prior art keywords
- recommendation
- engine system
- scene
- recommendation engine
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多业务的推荐引擎***的创建方法，其应用于企业型的推荐引擎***，创建方法包括以下步骤：预存至少两种业务在推荐引擎***中，两种业务分别配置有标准参数；向推荐引擎***发送业务调用请求，在推荐引擎***中根据预存的业务调用目标业务；对目标业务根据推荐需求配置参数；向推荐引擎***发送场景创建请求，在推荐引擎***中根据目标业务的推荐需求创建至少一个推荐场景；对推荐场景进行场景参数配置，生成待测试的推荐场景；将待测试的推荐场景进行测试并上线，完成推荐引擎***的创建。本发明采用业务分离和参数配置的方式，适用于多种业务的场景推荐，且创建方式简单，能够提升企业用户体验。
Description
技术领域
本发明涉及推荐引擎的技术领域，具体涉及一种基于多业务的推荐引擎***的创建方法和存储介质。
背景技术
个性化的推荐服务能够主动地为互联网用户提供多样化、智能化的个性化服务，以快捷的方式向用户展现，协助用户高效全面地获取有用的资源信息。其中，推荐引擎是针对大数据时代海量资源数据的一种挖掘技术，推荐引擎***根据用户的属性及行为数据来计算分析，主动为用户提供推荐资源。
现有的推荐引擎***多为专门设计的应用于同一业务类型的专用推荐引擎***，其推荐范围有限，并且对于一项业务单独研发一款推荐引擎***，其研发成本也较高，因此，如何提供一种推荐引擎***，能够使其满足多种业务类型的使用，充分挖掘用户的需求，且便于操作，成为本领域亟待解决的问题。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于多业务的推荐引擎***的创建方法和存储介质，采用业务分离和参数配置的方式，适用于多种业务的场景推荐，且创建方式简单，能够提升企业用户体验。
为达到以上目的，第一方面，本发明实施例提供一种基于多业务的推荐引擎***的创建方法，其应用于企业型的推荐引擎***，所述创建方法包括以下步骤：
预存至少两种业务在所述推荐引擎***中，两种所述业务分别配置有标准参数，所述标准参数包括用户表和用户属性维度表、资源表和资源属性维度表、行为表和可推荐物品表；
向所述推荐引擎***发送业务调用请求，在所述推荐引擎***中根据预存的业务调用目标业务；
对所述目标业务根据推荐需求配置参数；
向所述推荐引擎***发送场景创建请求，在所述推荐引擎***中根据所述目标业务的推荐需求创建至少一个推荐场景；
对所述推荐场景进行场景参数配置，生成待测试的推荐场景；
将待测试的推荐场景进行测试并上线，完成推荐引擎***的创建。
在上述技术方案的基础上，对所述业务设置指标管理。
在上述技术方案的基础上，所述对推荐场景进行场景参数配置，生成待测试的推荐场景的具体步骤为：
根据所述指标管理的内容，对所述推荐场景设置用于描述评估该推荐场景的推荐效果的效果指标；
选择至少一种推荐算法模型及其配置参数，并对所述推荐场景的在线流程进行配置，生成待测试的推荐场景；其中，所述待测试的推荐场景用于测试所述推荐引擎***能否在推荐界面显示推荐结果。
在上述技术方案的基础上，所述推荐算法模型被配置为：
对教育用户画像初始预设多维标签、以及对教育资源画像预设对应的多维标签；其中，所述教育资源根据所述教育资源画像进行推荐；
对用户信息、以及用户对资源操作的行为信息的多个标签进行聚类形成教育用户画像，并根据聚类的教育用户画像对应的教育资源画像来推荐匹配度高的教育资源。
在上述技术方案的基础上，所述教育用户画像具有动态标签，所述动态标签为可变动的标签；
根据更新的多维标签重新进行聚类形成一个新的教育用户画像，并根据该教育用户画像对应的教育资源画像来推荐匹配度高的教育资源。
在上述技术方案的基础上，所述对目标业务根据推荐需求配置参数的具体步骤为：
根据推荐需求，从所述标准参数中选取参数对所述目标业务进行配置，和/或
重新对所述目标业务进行参数的配置；
对配置参数后的目标业务进行连通性测试验证。
在上述技术方案的基础上，所述推荐场景至少包括首页个性化推荐界面、资源界面、用户界面中的一个。
在上述技术方案的基础上，所述将待测试的推荐场景进行测试并上线的具体步骤为：
在测试环境下，测试所述待测试的推荐场景，若正常运行，则上线推荐引擎***，完成推荐引擎***的创建，否则，修改所述推荐算法的配置参数，继续调试直至正常运行。
在上述技术方案的基础上，所述创建方法还包括：
对所述目标业务的配置参数进行参数质量评估，并可视化展示参数质量的评估结果。
第二方面，本发明实施例还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的步骤。
与现有技术相比，本发明的优点在于：
(1)本发明提供一种基于多业务的推荐引擎***的创建方法，多种业务预先储存在推荐引擎***中且相互分离，根据业务需求对目标业务进行调用并进行参数配置，获得与实际业务需求匹配的目标业务，无需单独创建新的目标业务；对于企业用户来说，其直接根据业务需求调用目标业务并进行参数配置即可，操作简单快捷；也即本发明采用业务分离和参数配置的方式，适用于多种业务的场景推荐，且创建方式简单，能够提升企业用户体验。
(2)在本发明中，各个业务分别对用户、资源均预设置多维标签，根据用户的用户信息以及用户对资源操作的行为信息的多个标签进行聚类形成教育用户画像，并根据聚类的教育用户画像对应的教育资源画像来推荐匹配度高的教育资源，且所述教育用户画像在不断的推荐过程中更新，从而推出匹配度更高的教育资源。
附图说明
图1为本发明实施例中基于多业务的推荐引擎***的创建方法的流程示意图。
具体实施方式
下面通过具体的实施例子并结合附图对本发明做进一步的详细描述。
实施例
参见图1所示，本发明实施例提供一种基于多业务的推荐引擎***的创建方法，其应用于企业型的推荐引擎***，所述创建方法包括以下步骤：
步骤S1：预存至少两种业务在所述推荐引擎***中，两种所述业务分别配置有标准参数，所述标准参数包括用户表和用户属性维度表、资源表和资源属性维度表、行为表和可推荐物品表；
步骤S2：向所述推荐引擎***发送业务调用请求，在所述推荐引擎***中根据预存的业务调用目标业务，也即在预先储存的业务中直接进行选择调用；
步骤S3：对所述目标业务根据推荐需求配置参数，该参数使用可视化的参数输入即可进行配置，其操作方式简单，即便不会编程也能够使用该推荐引擎***进行目标业务的创建；
步骤S4：向所述推荐引擎***发送场景创建请求，在所述推荐引擎***中根据所述目标业务的推荐需求创建至少一个推荐场景；所述推荐场景至少包括首页个性化推荐界面、资源界面、用户界面中的一个；当目标业务的推荐需求需要三个推荐场景时，分别创建首页个性化推荐界面、资源界面、用户界面三个推荐场景；
步骤S5：对所述推荐场景进行场景参数配置，比如对算法策略、在线流程进行配置，生成待测试的推荐场景；
步骤S6：将待测试的推荐场景进行测试并上线，完成推荐引擎***的创建。
本发明实施例提供一种基于多业务的推荐引擎***的创建方法，多种业务预先储存在推荐引擎***中且相互分离，根据业务需求对某一目标业务进行调用并进行参数配置，获得与实际业务需求匹配的目标业务，无需单独创建新的目标业务；对于企业用户来说，其直接根据业务需求调用目标业务并进行自定义参数配置即可，操作简单快捷；也即本发明采用业务分离和参数配置的方式，适用于多种业务的场景推荐，且创建方式简单，能够提升企业用户体验。
在所述步骤S1中，还包括以下步骤：对所述业务设置指标管理。进一步地，所述步骤S5的具体步骤为：
步骤S501:根据所述指标管理的内容，对所述推荐场景设置用于描述评估该推荐场景的推荐效果的效果指标；
步骤S502:选择至少一种推荐算法模型及其配置参数，并对所述推荐场景的在线流程进行配置，生成待测试的推荐场景；其中，所述待测试的推荐场景用于测试所述推荐引擎***能否在推荐界面显示推荐结果。
本实施例中，所述推荐引擎***根据目标业务的实际配置参数及其中的数据，使用现有技术中任意一种评估算法对其进行评估，定义某一类数据为某一指标，描述推荐场景的推荐效果的效果指标，具体来说，可以从基础质量、内容丰富度、资源覆盖率、算法适用度、波动度、效果指标适用度等多个维度进行加权评估。
在本发明实施例中，每个所述推荐场景均提供有多种推荐算法模型以供选择，其中之一的推荐算法模型为基于教育用户画像模型的推荐算法，所述推荐算法模型被配置为：
对教育用户画像初始预设多维标签、以及对教育资源画像预设对应的多维标签；其中，所述教育资源根据所述教育资源画像进行推荐；
对用户信息、以及用户对资源操作的行为信息的多个标签进行聚类形成教育用户画像，并根据聚类的教育用户画像对应的教育资源画像来推荐匹配度高的教育资源。
进一步地，所述教育用户画像具有动态标签，所述动态标签为可变动的标签；根据更新的多维标签重新进行聚类形成一个新的教育用户画像，并根据该教育用户画像对应的教育资源画像来推荐匹配度高的教育资源。
在本发明实施例中，所述推荐引擎***提供给教育行业的企业进行使用以向学生用户、老师用户推荐资源，教育行业的种类多样，为了避免每一个企业单独研发一款推荐引擎***，本实施例使用业务分离和参数设置的方式，能够使得企业用户直接使用所述推荐引擎***，通过选择调用目标业务并对该目标业务进行参数配置的方式，无需对每一个业务提供一个对应的推荐引擎***，且非专业的企业用户通过参数设置也能够创建目标业务，操作方式简单快捷。
具体来说，根据所述推荐引擎***的应用领域的特殊性，将用户划分为学生用户画像和老师用户画像，同时，所述学生用户画像还包括年级、学习能力、兴趣偏好等多个维度的标签，多个维度的标签共同聚类形成一个个体化的教育用户画像，并针对该教育用户画像对应的教育资源画像推荐匹配度高的教育资源，实现个性化的资源推荐，有针对性地主动预测学生用户、老师用户的需求，并进行推送，有效提高有效资源的曝光率。
优选地，所述步骤S3的具体步骤为：
根据推荐需求，从所述标准参数中选取参数对所述目标业务进行配置，和/或
重新对所述目标业务进行参数的配置；
对配置参数后的目标业务进行连通性测试验证。
可见，本发明实施例中的参数配置既可以是直接调取选择预存的标准数据，也可以根据实际需求自行添加。若重新对目标业务进行参数配置，则需要添加数据源名称、数据源描述、统一资源定位URL、用户名、密码，并进行连通性测试验证直至通过。
具体地，所述步骤S6的具体步骤为：
在测试环境下，测试所述待测试的推荐场景，若正常运行，则上线推荐引擎***，完成推荐引擎***的创建，否则，修改所述推荐算法的配置参数，继续调试直至正常运行。
优选地，推荐引擎***能够根据推荐效果指标，呈现不同的推荐算法模型的效果，来探究出更符合用户需求的推荐算法模型。
作为本发明实施例的一种优选方式，所述创建方法还包括：
对所述目标业务的配置参数进行参数质量评估，并可视化展示参数质量的评估结果。
本发明实施例还提供一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述的步骤。
本实施例中的存储介质的具体实施方式在上述对应的方法实施例中已经进行了详细描述，因此不再一一进行赘述。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (7)
1.一种基于多业务的推荐引擎***的创建方法，其应用于企业型的推荐引擎***，其特征在于，所述创建方法包括以下步骤：
预存至少两种业务在所述推荐引擎***中，两种所述业务分别配置有标准参数，所述标准参数包括用户表和用户属性维度表、资源表和资源属性维度表、行为表和可推荐物品表；
向所述推荐引擎***发送业务调用请求，在所述推荐引擎***中根据预存的业务调用目标业务；
对所述目标业务根据推荐需求配置参数；
向所述推荐引擎***发送场景创建请求，在所述推荐引擎***中根据所述目标业务的推荐需求创建至少一个推荐场景；
对所述推荐场景进行场景参数配置，生成待测试的推荐场景；
将待测试的推荐场景进行测试并上线，完成推荐引擎***的创建；
对所述业务设置指标管理；
所述对推荐场景进行场景参数配置，生成待测试的推荐场景的具体步骤为：
根据所述指标管理的内容，对所述推荐场景设置用于描述评估该推荐场景的推荐效果的效果指标；
选择至少一种推荐算法模型及其配置参数，并对所述推荐场景的在线流程进行配置，生成待测试的推荐场景；其中，所述待测试的推荐场景用于测试所述推荐引擎***能否在推荐界面显示推荐结果；
其中之一的推荐算法模型为基于教育用户画像模型的推荐算法，所述推荐算法模型被配置为：
对教育用户画像初始预设多维标签、以及对教育资源画像预设对应的多维标签；其中，所述教育资源根据所述教育资源画像进行推荐；
对用户信息、以及用户对资源操作的行为信息的多个标签进行聚类形成教育用户画像，并根据聚类的教育用户画像对应的教育资源画像来推荐匹配度高的教育资源。
2.如权利要求1所述的基于多业务的推荐引擎***的创建方法，其特征在于，所述教育用户画像具有动态标签，所述动态标签为可变动的标签；
根据更新的多维标签重新进行聚类形成一个新的教育用户画像，并根据该教育用户画像对应的教育资源画像来推荐匹配度高的教育资源。
3.如权利要求1所述的基于多业务的推荐引擎***的创建方法，其特征在于，所述对目标业务根据推荐需求配置参数的具体步骤为：
根据推荐需求，从所述标准参数中选取参数对所述目标业务进行配置，和/或
重新对所述目标业务进行参数的配置；
对配置参数后的目标业务进行连通性测试验证。
4.如权利要求1所述的基于多业务的推荐引擎***的创建方法，其特征在于，所述推荐场景至少包括首页个性化推荐界面、资源界面、用户界面中的一个。
5.如权利要求1所述的基于多业务的推荐引擎***的创建方法，其特征在于，所述将待测试的推荐场景进行测试并上线的具体步骤为：
在测试环境下，测试所述待测试的推荐场景，若正常运行，则上线推荐引擎***，完成推荐引擎***的创建，否则，修改所述推荐算法的配置参数，继续调试直至正常运行。
6.如权利要求1所述的基于多业务的推荐引擎***的创建方法，其特征在于，所述创建方法还包括：
对所述目标业务的配置参数进行参数质量评估，并可视化展示参数质量的评估结果。
7.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～6任一项所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911054393.3A CN110807152B (zh) | 2019-10-31 | 2019-10-31 | 基于多业务的推荐引擎***的创建方法和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911054393.3A CN110807152B (zh) | 2019-10-31 | 2019-10-31 | 基于多业务的推荐引擎***的创建方法和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110807152A CN110807152A (zh) | 2020-02-18 |
| CN110807152B true CN110807152B (zh) | 2022-06-07 |
Family
ID=69489944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911054393.3A Active CN110807152B (zh) | 2019-10-31 | 2019-10-31 | 基于多业务的推荐引擎***的创建方法和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807152B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368206A (zh) * | 2020-03-17 | 2020-07-03 | 深圳市前海随手数据服务有限公司 | 一种业务推荐方法、装置、服务器及存储介质 |
| CN112612960A (zh) * | 2020-08-02 | 2021-04-06 | 吕维东 | 基于智能识别和大数据的信息推送方法及信息推送*** |
| CN113780915A (zh) * | 2020-11-26 | 2021-12-10 | 北京京东振世信息技术有限公司 | 业务对接方法和装置 |
| CN112364229A (zh) * | 2020-11-30 | 2021-02-12 | 上海二三四五网络科技有限公司 | 一种在业务开发中基于特征脚本化的算法实现的控制方法及装置 |
| CN114117755A (zh) * | 2021-11-11 | 2022-03-01 | 泰康保险集团股份有限公司 | 一种模拟演练方法、装置、计算设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017028821A1 (zh) * | 2015-08-20 | 2017-02-23 | 北京嘀嘀无限科技发展有限公司 | 根据历史订单预测当前订单信息的方法及*** |
| CN106503242A (zh) * | 2016-11-08 | 2017-03-15 | 上海智臻智能网络科技股份有限公司 | 一种智能交互方法、装置及服务器 |
| CN106911757A (zh) * | 2015-12-23 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种业务信息的推送方法和装置 |
| CN107067289A (zh) * | 2016-10-28 | 2017-08-18 | 广东亿迅科技有限公司 | 一种个性化营销推荐*** |
| CN107305667A (zh) * | 2016-04-18 | 2017-10-31 | 滴滴（中国）科技有限公司 | 基于出行习惯的用户画像获取方法及装置 |
| CN108108451A (zh) * | 2017-12-27 | 2018-06-01 | 合肥美的智能科技有限公司 | 群体的群体用户画像获取方法和装置 |
| CN109788056A (zh) * | 2019-01-10 | 2019-05-21 | 四川新网银行股份有限公司 | 基于聚类分析的用户主题消息推送方法及*** |
| CN110347893A (zh) * | 2019-07-22 | 2019-10-18 | 苏州智优行软件科技有限责任公司 | 一种基于子空间聚类的个性化学习内容推荐*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106657254B (zh) * | 2016-10-25 | 2019-10-25 | Oppo广东移动通信有限公司 | 一种联系人信息的同步方法、装置及*** |
-
2019
- 2019-10-31 CN CN201911054393.3A patent/CN110807152B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017028821A1 (zh) * | 2015-08-20 | 2017-02-23 | 北京嘀嘀无限科技发展有限公司 | 根据历史订单预测当前订单信息的方法及*** |
| CN106911757A (zh) * | 2015-12-23 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种业务信息的推送方法和装置 |
| CN107305667A (zh) * | 2016-04-18 | 2017-10-31 | 滴滴（中国）科技有限公司 | 基于出行习惯的用户画像获取方法及装置 |
| CN107067289A (zh) * | 2016-10-28 | 2017-08-18 | 广东亿迅科技有限公司 | 一种个性化营销推荐*** |
| CN106503242A (zh) * | 2016-11-08 | 2017-03-15 | 上海智臻智能网络科技股份有限公司 | 一种智能交互方法、装置及服务器 |
| CN108108451A (zh) * | 2017-12-27 | 2018-06-01 | 合肥美的智能科技有限公司 | 群体的群体用户画像获取方法和装置 |
| CN109788056A (zh) * | 2019-01-10 | 2019-05-21 | 四川新网银行股份有限公司 | 基于聚类分析的用户主题消息推送方法及*** |
| CN110347893A (zh) * | 2019-07-22 | 2019-10-18 | 苏州智优行软件科技有限责任公司 | 一种基于子空间聚类的个性化学习内容推荐*** |
Non-Patent Citations (3)
| Title |
|---|
| Research on Optimizing Recommend System for Agriculture Information Personalization based on User Clustering;Zhao Yan 等;《Industrial Control and Electronics Engineering》;20121004;第1477-1480页 * |
| 人工智能教育应用的发展趋势与实践案例;吴晓如 等;《现代教育技术》;20180215;第28卷(第2期);第5-11页 * |
| 知识图谱与数据应用——智能推荐;周晶 等;《电信科学》;20190820;第35卷(第8期);第165-172页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110807152A (zh) | 2020-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807152B (zh) | 基于多业务的推荐引擎***的创建方法和存储介质 | |
| Murugesan et al. | Web engineering: Introduction and perspectives | |
| US8639542B2 (en) | Method and apparatus to facilitate development of a customer-specific business process model | |
| CN106777127B (zh) | 基于知识图谱的个性化学习过程的自动生成方法及*** | |
| US20020089532A1 (en) | Graphical user interface and web site evaluation tool for customizing web sites | |
| Gordijn et al. | Dynamic cluster-based service bundling: A value-oriented framework | |
| CN105120006A (zh) | 电子读物的弹幕控制方法、弹幕服务器及弹幕控制装置 | |
| CN101193007A (zh) | 统一资源定位符命令测试方法、场景测试方法和相应设备 | |
| CN109637238B (zh) | 一种练习题的生成方法、装置、设备和存储介质 | |
| KR20210038971A (ko) | 커리큘럼 패키지의 개발 방법 및 장치, 시스템, 기기 및 저장 매체 | |
| Brusilovsky et al. | ADAPTS: Adaptive hypermedia for a Web-based performance support system | |
| KR20110016881A (ko) | 데이터 뷰어 관리 | |
| US20100169457A1 (en) | Social user script service by service proxy | |
| CN106776699A (zh) | 在线3d模型的获取方法、提供方法、装置及管理*** | |
| CN117290044A (zh) | 一种动态界面展示方法、设备及介质 | |
| US9984340B2 (en) | Methods and systems for deploying a single continuous improvement approach across an enterprise | |
| Manouselis et al. | Designing a web-based testing tool for multi-criteria recommender systems | |
| CN108427557A (zh) | 一种控件布局显示控制方法、装置及计算机可读存储介质 | |
| KR20200128236A (ko) | 머신 러닝 기반의 자동 위젯 적용 장치 및 방법 | |
| Wrobel et al. | Towards an interactive visual understanding of climate change findings on the net: Promises and challenges | |
| CN110321155B (zh) | 批量配置应用的方法及装置 | |
| CN116701759B (zh) | 一种虚拟展馆的推荐方法、装置及电子设备 | |
| de Brandão Damasceno et al. | Lessons learned from evaluating an authoring tool for learning objects | |
| JP2004029387A (ja) | 教育システム | |
| Prihartini | Web e-learning Component Analysis: A Metamodel |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |